論文の概要: Evaluating Behavioral Context for Interpretable IAM Policy Risk Scoring in Cloud Environments

• arxiv url: http://arxiv.org/abs/2610.07345v1
• Date: Mon, 05 Oct 2026 20:17:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.645531
• Title: Evaluating Behavioral Context for Interpretable IAM Policy Risk Scoring in Cloud Environments
• Title（参考訳）: クラウド環境における解釈可能なIAM政策リスク評価のための行動文脈の評価
• Abstract要約: 本稿では,IAM政策のリスク優先順位付けにおいて,文脈情報によって測定可能なインクリメンタル値が提供されるかを評価する。 AWSは、IAMと監査テレメトリのエコシステムが制御された評価を可能にするため、実験的なクラウドプロバイダとして使用されている。 3つの説明可能なブースティングマシンモデルを、同じリーク制御されたグループ化されたクロスバリデーションプロトコルで評価する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: IAM policy analysis typically emphasizes the authorization capabilities encoded in a policy, but security analyst review priority may also depend on the behavioral and environmental context surrounding a policy event. This paper evaluates whether contextual information provides measurable incremental value for interpretable IAM policy risk prioritization beyond policy and effective-authorization information. AWS is used as the experimental cloud provider because its IAM and audit-telemetry ecosystem enables controlled evaluation using AWS IAM Context Bench, a benchmark containing 534 real AWS experimental observations across policy, environment, and behavioral scenarios, including matched cases where policy and environment remain fixed while behavioral context changes. Three Explainable Boosting Machine models are evaluated under the same leakage-controlled grouped cross-validation protocol: a policy-centric baseline, a policy-plus-environment model, and a full-context model incorporating CloudTrail telemetry. The full-context model substantially reduces analyst-priority prediction error relative to the policy-centric baseline and closely tracks the reference priority ordering. In matched same-policy context pairs, the policy-centric model remains invariant, whereas the full-context model separates benign and suspicious behavioral conditions with high directional accuracy. The results also show improved concentration of high-priority cases at the top of simulated analyst review queues. These findings indicate that behavioral and environmental context can provide useful incremental information for analyst-oriented IAM risk prioritization while preserving an interpretable additive model structure. The formulation is applicable beyond AWS conceptually, although cross-provider validation remains future work.
• Abstract（参考訳）: IAMポリシー分析は一般的に、ポリシーに符号化された認証機能を強調するが、セキュリティアナリストのレビューの優先順位は、ポリシーイベントを取り巻く行動や環境にも依存する。 本稿では,IAM政策のリスク優先順位付けをポリシーや効果的な権限情報を超えた解釈可能な情報として,文脈情報が測定可能なインクリメンタル値を提供するかどうかを評価する。 AWSは、IAMと監査テレメトリのエコシステムがAWS IAM Context Benchを使用して、コントロールされた評価を可能にするため、試験的なクラウドプロバイダとして使用されている。 3つの説明可能なブースティングマシンモデルは、ポリシー中心のベースライン、ポリシー+環境モデル、CloudTrailテレメトリを組み込んだフルコンテキストモデルという、同じリーク制御されたグループ検証プロトコルで評価される。 フルコンテキストモデルは、ポリシー中心のベースラインに対するアナリスト-プライオリティ予測誤差を大幅に低減し、基準優先順序を密に追跡する。 一致した同じ政治状況のペアでは、ポリシー中心のモデルは変わらず、フルコンテキストモデルは、良性および疑わしい行動条件を高い方向精度で分離する。 また, シミュレーションアナリストレビューキューの上部において, 優先度の高い症例の集中度も向上した。 これらの結果は, 解釈可能な付加モデル構造を維持しつつ, アナリスト指向のIAMリスク優先順位付けにおいて, 行動・環境コンテキストが有用なインクリメンタル情報を提供できることを示している。 定式化は概念的にはAWSを超えているが、クロスプロファイラのバリデーションは今後も継続される。

関連論文リスト

• An Instrument to Evaluate Governance Proposals: AI Policy Analysis at Scale [4.570330752352129]
  本稿では,AIガバナンスの提案に対する政策分析の枠組みを紹介する。 我々は,対象分野の専門家からの質的な洞察と計算テキスト分析を融合した混合手法を用いて,政策属性のルーブリックの設計を通知する。 このフレームワークは、政策の有効性や望ましさを評価するのではなく、属性間の関連性と整合性に焦点を当てている。
  論文  参考訳（メタデータ） (2026-07-30T12:06:53Z)
• Structural Distinguishability of Static and Adaptive Policy Regimes in Agent-Based Regulatory Simulation [0.0]
  本稿では,新しい汎用フレームワークではなく,制御されたシミュレーションベンチマークに寄与する。 本研究は, ナイーブな固定ポリシー, トラッキング対応の固定ポリシ, および, セットポイント, 安全マージン, 片側制御の3つの適応コントローラを評価する。 このコントリビューションは、スカラーインジケータ、キャップ相対的なシンボル診断、軌跡モチーフ、視覚検査によって、平均的な結果が類似しているように見える場合でも、どのように規制の結論が異なるかを共同で明らかにする。
  論文  参考訳（メタデータ） (2026-06-15T10:06:32Z)
• $V_0$: A Generalist Value Model for Any Policy at State Zero [80.7505802128501]
  ポリシーメソッドは、アクションの相対的な利点を測定するためにベースラインに依存します。 このベースラインは一般的に、政策モデルそのものと同じくらい大きな価値モデル(Critic)によって推定される。 未知のプロンプト上での任意のモデルの期待性能を推定できるジェネリスト値モデルを提案する。
  論文  参考訳（メタデータ） (2026-02-03T14:35:23Z)
• Active Inference with Reusable State-Dependent Value Profiles [0.0]
  生成モデルにおける隠れ状態に割り当てられた値関連パラメータの小さな再利用可能なバンドル。 この枠組みを確率論的逆転学習において評価し,静的精度,エントロピー結合動的精度,プロファイルベースモデルを比較した。
  論文  参考訳（メタデータ） (2025-12-03T04:11:57Z)
• Pragmatic Policy Development via Interpretable Behavior Cloning [6.177449809243359]
  本稿では,患者の行動方針の解釈可能なモデルを用いて,各患者の状態において最も頻繁に選択される行動から治療方針を導出する。 このフレームワークによって導かれるポリシーは,オフラインのRLで得られるものに対して,解釈可能な代替手段を提供することで,現在の実践を上回り得ることを実証する。
  論文  参考訳（メタデータ） (2025-07-22T22:34:35Z)
• When is Off-Policy Evaluation (Reward Modeling) Useful in Contextual Bandits? A Data-Centric Perspective [64.73162159837956]
  ログ化されたデータセットだけで仮説的ターゲットポリシーの価値を評価することは重要だが、難しい。 データ中心のフレームワークであるDataCOPEを提案する。 医療データセットを用いたログ化された文脈的帯域設定におけるDataCOPEの実証分析により、機械学習と人間の専門家ポリシーの両方を評価する能力が確認された。
  論文  参考訳（メタデータ） (2023-11-23T17:13:37Z)
• Hallucinated Adversarial Control for Conservative Offline Policy Evaluation [64.94009515033984]
  本研究では,環境相互作用のオフラインデータセットが与えられた場合,政策のパフォーマンスを低く抑えることを目的とした,保守的非政治評価(COPE)の課題について検討する。 本稿では,遷移力学の不確実性を考慮した学習モデルに基づくHAMBOを紹介する。 結果のCOPE推定値が妥当な下界であることを証明し、正則性条件下では、真に期待された戻り値への収束を示す。
  論文  参考訳（メタデータ） (2023-03-02T08:57:35Z)
• Uncertainty Aware System Identification with Universal Policies [45.44896435487879]
  Sim2real Transferは、シミュレーションで訓練されたポリシーを、潜在的にノイズの多い現実世界環境に転送することに関心がある。 本研究では,Universal Policy Network (UPN) を用いてシミュレーション学習したタスク固有ポリシーを格納するUncertainty-aware Policy Search (UncAPS)を提案する。 次に、我々は、DRのような方法で関連するUPNポリシーを組み合わせることで、与えられた環境に対して堅牢なポリシーを構築するために、堅牢なベイズ最適化を採用する。
  論文  参考訳（メタデータ） (2022-02-11T18:27:23Z)
• Reinforcement Learning with Heterogeneous Data: Estimation and Inference [84.72174994749305]
  人口の不均一性に関する逐次的決定問題に対処するために,K-ヘテロ・マルコフ決定過程(K-ヘテロ・MDP)を導入する。 本稿では、ある政策の価値を推定するための自己クラスタ化政策評価(ACPE)と、ある政策クラスにおける最適な政策を推定するための自己クラスタ化政策イテレーション(ACPI)を提案する。 理論的な知見を裏付けるシミュレーションを行い,MIMIC-III標準データセットの実証的研究を行った。
  論文  参考訳（メタデータ） (2022-01-31T20:58:47Z)
• Privacy-Constrained Policies via Mutual Information Regularized Policy Gradients [54.98496284653234]
  報酬を最大化しつつ、行動を通じて特定の機密状態変数の開示を最小限に抑えながら、報酬を最大化する政策を訓練する課題を考察する。 本稿では, 感性状態と行動の相互情報に基づく正則化器を導入することで, この問題を解決する。 プライバシ制約のあるポリシーを最適化するためのモデルベース推定器を開発した。
  論文  参考訳（メタデータ） (2020-12-30T03:22:35Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。